CVPRApr, 2019

C2AE: 基于类条件的自编码器进行开放式识别

PDF
TL;DR本文提出了一种基于类条件自编码器的开放集识别算法，其训练程序被划分为两个子任务：闭集分类和开放式识别，并使用统计建模的极值理论来建模重构误差以找到识别已知 / 未知类样本的阈值。在多个图像分类数据集上进行的实验表明，所提出的方法比现有技术表现显著优异。
open-set recognitionclassificationunknown classesauto-encodersreconstruction errors
发现论文，激发创造
  • 开放集识别的条件高斯分布学习

    本文提出了一种基于 CGDL 的新型方法，可以实现开放集识别并提高已知类别的分类精度，并采用概率阶梯架构来提取高级抽象特征，实验结果表明该方法显著优于基线方法并取得了最新的最优结果。

    Mar, 2020

  • 开集识别中基于已知分类的级联未知检测

    深度学习模型在封闭集假设下表现良好，但在开放集条件下部署时遇到困难。本文提出了一种级联未知检测与已知分类方法（Cas-DC），通过学习专门用于已知 / 未知检测和已知类别分类的级联函数，实现在开放集识别任务中优于现代方法的性能表现。

    Jun, 2024

  • 使用条件概率生成模型进行开集识别

    本文提出了一种新的条件概率生成模型（CPGM）框架，将辨别信息引入到概率生成模型中，以检测未知样本并分类已知类别。通过在多个基准数据集上进行实验，证明该方法明显优于基线并取得了新的最佳性能。

    Aug, 2020

  • 开放集识别的分类重构学习

    本文提出了一种名为 CROSR 的新型开放式识别深度学习网络方法，其不仅具有良好的未知类别检测和已知类别分类准确性，而且在多种标准数据集上的实验结果表明其优于其他现有的深度开放式分类器，并且具有鲁棒性。

    Dec, 2018

  • 使用类内分割进行开放式识别

    本文介绍了一种利用深度神经网络作为端到端开放集分类器的方法，并基于类内数据拆分。作者将给定的数据划分为典型和非典型标准子集，使得在异常类的模拟上更有效，即将开放集识别问题转化为传统的分类问题。此外，作者还提出了一种闭集正则化方法，以保证闭集分类性能，通过五个著名的图像数据集上的实验，也证明了该方法的有效性。

    Mar, 2019

  • 基于增强相似性学习的开放式识别

    研究中提出了一种 Open set recognition based on Pseudo unseen data Generation (OPG) 方法，利用相似度学习，通过先学习一个 closed set classifier，再学习如何将已知类别分别与伪未知类别进行比较（通过数据分布转化生成的），从而检测未知类别（或未看到过的类别），实验结果表明，这种基于相似度特征的方法可成功区分开放性识别基准数据集中已知和未知的类别。

    Mar, 2022

  • 未知管理：开放集合识别与相关领域综述

    本文综述开放集识别领域的最新文献，识别常见实践、限制和与连续学习、分布外检测、新颖性检测和不确定性估计等机器学习研究领域的联系，揭示了开放集识别领域的开放问题，并提出了几个研究方向，以促进和规范未来对更安全的人工智能方法的努力。

    Dec, 2023

  • 学习占位符进行开放式识别

    提出了一种用于开放集识别的算法 Proser，通过为未知类别分配占位符，以预测开放集类别数据，从而将闭集训练转换为开放集训练，同时保留分类器占位符以学习目标和非目标类之间的不变信息，并通过流形混合自适应地设置保留的开放集分类器的值。

    Mar, 2021

  • 在开放集识别评估中考虑类别不平衡

    近年来，基于深度神经网络的系统不仅在人气上迅速增长，而且受到用户的信任。然而，由于这种系统的封闭世界假设，它们无法识别未知类别的样本，并且经常以高置信度引入错误标签。本文研究了开放集合识别方法的评估，着重关注类别不平衡对已知和未知样本的影响。在问题分析的基础上，我们提出了一套评估该领域方法的准则。

    Feb, 2024

  • 神经网络中的过度泛化的去噪自编码器

    本研究提出了一种使用去噪自编码器计算置信度得分的新方法，并展示了这种置信度得分可以通过确定其局部极大值来正确识别接近训练分布的输入空间的区域，从而解决神经网络模型的过度概括问题。

    Sep, 2017